Dec, 2022

Mul-GAD: 基于聚合多视角信息的半监督图异常检测框架

PDF
TL;DR本文提出了一种多视图融合方法用于图形异常检测，该方法结合了视角级融合和特征级融合以更好地利用不同视角的信息。在多个数据集上进行的实验表明，该方法在异常检测性能和泛化能力方面优于其他现有算法。
anomaly detectiongraph neural networksmulti-view fusion approachfusion strategiesdetection performance
发现论文，激发创造
  • 通过多尺度对比学习网络和增强视图进行图形异常检测

    本文提出了一种多视图、多尺度对比学习框架，采用子图 - 子图对比提高子图嵌入的鲁棒性，并通过图增强方法提高检测性能。实验结果表明，该方法在图异常检测任务中具有优越性。

    Dec, 2022

  • FGAD: 自助强化知识蒸馏的有效联邦图异常检测框架

    我们提出了一种有效的联邦图异常检测框架 (FGAD)，通过引入异常生成器来扰动正常图形，通过区分生成的异常图形和正常图形来训练强大的异常检测器。然后，我们利用一个学生模型从训练的异常检测器（教师模型）中提取知识，旨在保持本地模型的个性并减轻非独立同分布问题的不利影响。此外，我们设计了一个有效的协作学习机制，促进了本地模型的个性保存并显著降低了客户之间的通信成本。与最先进的基准线相比，在非独立同分布图上的图异常检测任务的实证结果表明了所提出的 FGAD 方法的优越性和效率。

    Feb, 2024

  • MGADN：用于多元时间序列的多任务图形异常检测网络

    研究了多变量时序数据的异常检测问题，提出了一种使用 GAT 和 LSTM 深度学习模型的方法，通过多任务优化算法来同时实现时间戳和传感器之间的关系建模、精准的异常检测和重构。

    Nov, 2022

  • 全局知识蒸馏的深度图层异常检测

    介绍了一种新的基于深度学习的图异常检测方法，该方法使用 GNN 来预测具有随机初始化网络权重的另一个 GNN，可以有效检测局部和全局异常的真实世界图数据集。

    Dec, 2021

  • 生成半监督图异常检测

    本研究提出了一种新颖的半监督场景下的图异常检测方法（GGAD），通过生成能够在本地结构和节点表示中模拟异常节点的异常节点，为训练具有区分性的单类分类器提供有效的负节点样本，从而更好地利用已知的正常节点。在四个真实世界数据集上进行了全面的实验，建立了半监督图异常检测方法的基准，并展示了 GGAD 在不同数量训练正常节点下大大优于最先进的无监督和半监督图异常检测方法。

    Feb, 2024

  • 通过数据增强提高图形异常检测模型的泛化性能

    提出了用于解决图异常检测中普适性问题的数据增强方法，并验证了其提高 GAD 模型通用性的有效性。

    Sep, 2022

  • 通过数据增强提高图形异常检测模型的泛化能力

    本文提出了一种基于数据增强的半监督学习方法 AugAN，用于解决现有半监督图异常检测方法的泛化问题，并进一步提高模型的泛化能力，从而有效检测训练和测试数据中存在的异常。

    Jun, 2023

  • 基于正常学习的多尺度对比学习图异常检测

    通过多尺度对比学习网络的正常模式学习构建了基于正常性学习的图异常检测框架（NLGAD），该算法相较于现有算法提高了检测性能（最多 5.89% 的 AUC 增益）。

    Sep, 2023

  • 保护图神经网络的无监督图异常检测

    本文提出了一个简单而有效的框架 G3AD，它引入了两个辅助网络和相关性约束来保护 GNN 免受不一致信息编码的影响。此外，G3AD 还引入了一个自适应缓存模块，以防止 GNN 仅重构包含异常的观察数据。大量实验证明，我们提出的 G3AD 在合成数据集和实际数据集上均能优于 17 个最先进的方法。

    Apr, 2024

  • 少样讯息增强对比学习用于图形异常检测

    FMGAD 是一种新颖的少样本图异常检测模型，利用自监督对比学习策略在视图内和视图间捕捉内在和可传递的结构表示，并借助深度图神经网络消息增强重构模块从根本上利用少样本标签信息并使其能够传播到更深的未标记节点，该模块进一步辅助自监督对比学习的训练。综合对六个真实世界数据集的实验结果表明，FMGAD 能够在人工注入异常或领域有机异常的情况下，实现比其他最先进方法更好的性能。

    Nov, 2023